Développement de la recherche sur l'identification collective d'opportunités d'affaires : assises et perspectives
Bibliographic record
Abstract
Plusieurs travaux théoriques et empiriques portent aujourd’hui sur le thème de l’identification d’opportunités, une étape cruciale dans toute création d’entreprise. Parmi ces travaux, un nombre grandissant s’inscrit dans un courant de pensée nouveau, avançant l’idée que différents acteurs pourraient joindre leurs forces pour identifier collectivement des opportunités d’affaires, de façon à supporter le développement des milieux concernés. En effet, on voit de plus en plus émerger des travaux s’inscrivant un courant collectif de l’entrepreneuriat, reconnaissant l’importance d’aller au-delà du seul individu entrepreneur dans l’étude de l’émergence des opportunités. Malgré tout, les repères théoriques pour développer des modèles d’intervention porteurs à cet égard demeurent absents. En effet, dans les travaux sur l’identification d’opportunités, le processus est quasiment toujours individuel et relève généralement de l’entrepreneur. Cet article cherche en partie à pallier le manque de repères théoriques en mettant en évidence dans un premier temps les facteurs influençant le processus individuel d’identification des opportunités retrouvés dans la littérature et pouvant servir d’assises pour étudier le phénomène dans une perspective collective, et en proposant dans un deuxième temps un cadre conceptuel de processus collectif d’identification d’opportunités. Quatre concepts clés ont été dégagés pour aborder la dimension collective de l’identification d’opportunités : l’information, l’apprentissage, la créativité, de même que les réseaux, incluant le capital social.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.023 | 0.019 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.007 |
| Science and technology studies | 0.010 | 0.017 |
| Scholarly communication | 0.026 | 0.026 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.005 | 0.007 |
| Insufficient payload (model declined to judge) | 0.012 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".